Raná predikce bronchopulmonální dysplazie u předčasně narozených dětí pomocí klinických dat

Pozadí:

Předčasný porod je hlavní příčinou neonatální morbidity a mortality. Bronchopulmonální dysplazie (BPD) je jedno z nejčastějších chronických plicních onemocnění u předčasně narozených dětí, zejména u těch s velmi nízkým gestačním věkem nebo porodní hmotností. BPD zvyšuje dlouhodobou závislost na kyslíku, délku hospitalizace a respirační komplikace. Včasná predikce BPD je klíčová pro optimalizaci klinického managementu.

Gestační věk, porodní hmotnost, délka mechanické ventilace, kyslíková terapie, infekce a hemodynamické faktory jsou známými rizikovými faktory pro BPD. Bylo vyvinuto několik klinických rizikových modelů pro včasnou predikci BPD, ale jejich klinická použitelnost je omezená.

Nedávné pokroky v umělé inteligenci (AI) a strojovém učení ukázaly potenciál v analýze klinických dat a predikci rizika onemocnění. Velké jazykové modely (LLM) jako ChatGPT, Gemini a Claude dokážou interpretovat komplexní klinické datové sady a generovat rizikové predikce. Studie hodnotící jejich výkon v predikci BPD u předčasně narozených dětí jsou však omezené.

Cíl:

Retrospektivně vyhodnotit výkonnost různých LLM v predikci BPD u předčasně narozených dětí (<32 týdnů gestace nebo <1 500 gramů) s využitím klinických dat z 1., 2. a 3. postnatálního týdne. Studie si klade za cíl porovnat predikce generované AI se skutečnými klinickými výsledky.

Design studie:

Retrospektivní, observační, jednocentrová studie Klinická data z JIP Konya City Hospital budou extrahována z nemocničních záznamů a anonymizována AI modely (ChatGPT, Gemini, Claude) obdrží standardizované datové sady včetně gestačního věku, porodní hmotnosti, pohlaví, respirační podpory, potřeby kyslíku, délky mechanické ventilace, stavu infekce a dalších relevantních parametrů Predikce AI klasifikují riziko BPD jako nízké, střední nebo vysoké s odhadovanými procentuálními pravděpodobnostmi

Účastníci:

Zařazení: Předčasně narozené děti <32 týdnů gestace nebo <1 500 gramů, s kompletními klinickými daty, sledované na JIP během studie Vyloučení: Děti s velkými vrozenými anomáliemi, neúplnými klinickými daty nebo časným postnatálním úmrtím

Výsledky:

Primární: Přesnost AI modelů v predikci BPD ve srovnání se skutečnými klinickými výsledky Sekundární: Senzitivita a specificita predikcí AI, porovnání týdenních predikcí, porovnání výkonnosti mezi AI modely

Statistická analýza:

Deskriptivní statistika (průměr, SD, počty, procenta) Metriky výkonnosti predikce: přesnost, senzitivita, specificita, ROC analýza Porovnání modelů a týdenních predikcí pomocí DeLongova testu Statistická významnost: p < 0,05

Místo:

Jednocentrová, nemocniční studie, JIP Konya City Hospital Retrospektivní sběr klinických dat

Vzorek:

Cílová populace: Předčasně narozené děti s vysokým rizikem BPD (<32 týdnů nebo <1 500 gramů) Velikost vzorku: Minimálně 108 dětí vypočteno pomocí softwaru G-power (80% síla, 5% významnost, střední velikost efektu = 0,3)

Protokol AI modelu:

Standardizované prompty pro každý postnatální týden:

Klinická data předčasně narozeného dítěte v [1./2./3.] postnatálním týdnu:

• Gestační věk: [týdny + dny]
• Porodní hmotnost: [gramy]
• Pohlaví: [muž/žena]
• Antenatální steroidy: [Ano/Ne]
• Surfaktantová terapie: [počet dávek]
• Respirační podpora: [MV/CPAP/HFNC]
• Požadavek FiO2: [%]
• Stav sepse/PDA: [Ano/Ne]

Předpovězte riziko BPD (Nízké/Střední/Vysoké) a uveďte pravděpodobnost (%) pro každou kategorii.

Etika:

Studie schválena institucionální etickou komisí Data anonymizována a zachována důvěrnost